Прогнозирование неисправностей в технических системах на основе использования сверточной нейронной сети
Показано, как прогнозировать остаточный срок службы (RUL) технических систем с помощью глубоких сверточных нейронных сетей (CNN). Преимущество подхода с глубоким обучением заключается в том, что в этом случае не нужно вручную извлекать или выбирать признаки для используемой модели для прогнозирования RUL. Кроме того, здесь не нужны предварительные знания о прогнозировании состояния машины или обработке сигналов для разработки модели прогнозирования RUL на основе глубокого обучения. Тестирование метода проводилось в демонстрационной программе MatLab, реализующей данный метод прогнозирования возникновения неисправностей в технических системах1. В программе были использованы Predictive Maintenance Toolbox и Deep Learning Toolbox среды MatLab.
Авторы: Ю. А. Кораблев, Д. М. Лосева, М. Ю. Шестопалов
Направление: Информатика, вычислительная техника и управление
Ключевые слова: неисправности, диагностика состояния технической системы, прогнозирование возникновения неисправностей, остаточный срок службы технического устройства, сверточные нейронные сети, обучение нейронной сети
Открыть полный текст статьи